[发明专利]基于Q-learning和GA的多目标柔性作业车间调度自学习方法

权利要求书

1.基于Q-learning和GA的多目标柔性作业车间调度自学习方法，其特征在于，包括：

S1、建立柔性作业车间调度模型及其约束条件；

S2、初始化遗传算法基本参数；根据所述遗传算法的分段编码规则，并根据所述基本参数进行染色体种群初始化；

S3、对各染色体支配关系进行分类划定帕累托阶层，计算同一帕累托阶层内各染色体之间的拥挤距离，根据染色体所在的帕累托阶层及所述拥挤距离计算适应度值；

S4、判断种群迭代次数是否达到预设上限，若达到，则输出最优解；否则，利用增强学习算法，并根据所述适应度值优化所述遗传算法中的交叉概率P_c和变异概率P_m；

S5、选择参与交叉的染色体种群，根据所述交叉概率P_c对所述参与交叉的染色体种群进行交叉操作，生成参与变异的染色体种群；

S6、根据所述变异概率P_m对所述参与变异的染色体种群进行变异操作，生成新染色体种群；返回S3，基于所述新染色体种群进行计算。

2.根据权利要求1所述的基于Q-learning和GA的多目标柔性作业车间调度自学习方法，其特征在于，所述建立柔性作业车间调度模型及其约束条件，包括：所述柔性作业车间调度模型描述为：

n种独立工件J＝{J₁,J₂,J₃…J_n}，m台独立机器M＝{M₁,M₂,M₃…M_m}，每个工件J_i有工序数为h_j,O_ij表示工件J_i的第j个工序，j＝1,2,3…,h_i，工序O_ij可被多台机器加工，O_ij在机器M_k上的加工时间t_ijk，k＝1,2,3…,m；并按照一定工艺先后顺序进行加工，调度目标为最大完工时间最小、最大机器负荷最小及总机器负荷最小中一项或多项性能指标达到最优；其中，

最大完工时间最小C_max目标函数如式(1)：

min f₁＝C_max＝min{max(C_i)1≤i≤n} (1)

最大机器负荷最小W_m目标函数如式(2)：

总机器负荷最小W_t目标函数如式(3)：

所述柔性作业车间调度模型的约束条件为：

s_ij≥0，c_ij≥0，i＝1,2,3...n；j＝1,2,3...h_i表示工序的加工时间和完工时间必须是非负数；

c_ij≤s_i(j+1)，i＝1,2,3···n；j＝1,2,3···h_i表示每一个工件的工序间遵循工艺先后顺序；

表示同一台机器在同一时刻只能加工一个工件的一个工序；

i＝1,2,3···n；j＝1,2,3···h_i表示同一工件在同一时刻只能被一台机器加工；

其中，C_i表示工件J_i加工完成时间；s_ij表示工序O_ij加工开始时间；c_ij表示工序O_ij加工完成时间；m_ij表示工序O_ij的可选加工机器数；U表示正数；